两岁儿子教会我约束求解：从Brio火车套装看算法在轨道布局中的应用！

《计算机科学书籍》第二版发售

《计算机科学书籍》第二版现已发售，涵盖机器学习、深度学习、大语言模型与人工智能。可立即购买，还有主页、章节、购买、博客等相关链接。

儿子教会我的约束求解

2026年7月8日，作者儿子两岁，有强烈探索欲，喜欢机械交通工具和土方工程机械设备，尤其爱用Brio木制火车套装“玩火车”。作者通过搭建有趣轨道布局自娱自乐，进而思考Brio火车套装轨道部件设计的底层结构及能搭建的最复杂布局，发现这是个有趣算法问题。儿子展现出约束求解专长，接下来内容是作者根据儿子“教导”编辑整理而成。

Brio火车系统

Brio是儿童木制火车玩具，也受部分成年人深入研究。作者查阅非官方的Brio轨道指南，该指南为每个轨道部件赋予字母代码和尺寸规格，如A代表144毫米中等直轨，A1和A2分别是108毫米和54毫米变体，E是标准弯道，八个45度弯道可围成直径约40厘米圆圈，多数轨道部件可翻转。此外还有坡道和桥梁部件，为简单起见，将系统视为二维，因桥梁部件不稳固，儿子老撞倒，作者尽量藏起来。

首先，让轨道闭合

一天早上，作者把八个弯道拼接成圆圈，儿子欢呼“圆圈”，看来读《托马斯和他的朋友们之形状认知》起作用了。但这是最简单闭合回路，作者思考能否将一组轨道部件排列成闭合布局。文章可视化效果由三个求解器支持，图一至图四用回溯搜索算法，图五用约束求解算法，图六用SAT求解器。回溯搜索算法像孩子搭建轨道，放下部件，看连接口，不合适就回溯。求解器处理开放连接口，尝试匹配部件和方向，递归处理，遇死胡同回溯。用类似Python伪代码表示搜索过程。对于八个E型弯道，若弯道朝向相同问题简单，但求解器会先尝试放错方向，导致“已探索状态”计数增加。儿子说“再来点，爸爸”。

让轨道变大

作者把圆圈轨道断开，添加平行直轨让轨道变大，称其为“椭圆形”，儿子指出是“长方形”，作者意识到儿子说得对。添加直轨增加可能状态数量，“贪心”算法可能把直轨放错位置致轨道无法闭合，需具备回溯能力。儿子说“指数级的，爸爸”，确实，部分布局数量随部件数量呈指数级增长，此布局比圆圈多两个部件，状态数量约增加八倍。在当前规模下，简单穷举回溯算法可快速运行，但最坏情况运行时间仍呈指数级，会遇瓶颈。作者认为圆圈等形状无聊，需有交叉点和分支才有趣。

交叉点增加分支点

儿子拿起H3型交叉轨道部件，作者给儿子展示，儿子称其为“有两个环的图”。图是用线连接点的数学概念，环是能回到起点的路径，此前轨道像单线，交叉轨道有四个连接口，放置它会打开三个连接口，搜索开始分支，数据模型改变。目标是检查轨道部件能否组成闭合网络，答案是可以，两个圆圈通过交叉轨道连接，连接口配对，火车可穿过两条轨道。碰撞检测最初作为约束条件添加，保证正确性同时加快搜索速度。此外，还可订阅获取免费45页计算机科学学习路线图，已有1000多名读者加入。

分支让回路变成网络

L型和M型分支轨道出现后，求解器能找到更有趣布局，创建内外圈，分支轨道连接口配对。儿子说“爸爸！三度节点。没有欧拉回路。”咨询ChatGPT后作者明白，“度”指交汇轨道端点数量，交叉轨道度为四，分支轨道度为三，奇数度顶点意味着火车无法一圈覆盖每段轨道，交叉轨道度为偶数，火车可沿“8”字形行驶，使用分支轨道时火车无法一圈覆盖全路径。

将其转化为约束问题

作者尝试搭建超级复杂轨道布局失败，儿子指出这是约束满足问题，变量是开放连接口，定义域是能匹配部件，约束条件是连接口配对。约束满足问题是明确选择、允许范围和不能共存选择的问题，如数独游戏。回溯算法有浪费之处，无前瞻性和目标性。儿子提出传播和回跳，在约束求解器中，开放连接口保留候选列表，前向检查更新候选列表，冲突导向回跳决定回溯程度。作者测试发现，最初版本的求解器让情况更糟，原因是前向检查局限性，Brio火车套装死胡同情况多非局部。儿子建议使用全局约束，从整个布局检查，成功减少搜索状态数，但并非所有情况都有效，且求解器回跳时会忘记失败情况，两种搜索算法只能对确切部件给出“是”或“否”答案，作者想搭建最好布局，儿子建议让求解器选择部件。

交给SAT求解器

作者最初把轨道布局问题看作图论问题，实际更像拼图问题，儿子通过分类部件展示像多联骨牌，可使用SAT求解器。多联骨牌拼接是经典拼图难题，Brio火车套装问题类似。布尔可满足性问题是询问布尔变量公式是否存在使公式为真的赋值，所有NP问题可转化为布尔可满足性问题。利用SAT求解器可快速找到最优布局，但需将放置方式转化为是非问题，列出部件可能位置。Brio火车套装部件无固定网格位置，作者取巧记录搜索算法访问过的连接口位置，让SAT求解器在这些位置放置部件。每个放置方式对应布尔变量，规则转化为子句。连通性要求是难题，儿子引导采用循环方法，排除反例使布局连通，此方法类似整数规划求解器处理旅行商问题，被称为“反例引导的细化”。SAT求解器底层有巧妙工作，采用冲突驱动的子句学习，虽不一定比其他搜索算法快，占用内存多，但能在给定部件数量下找到最复杂布局，可选择部件。

我的收获

作者按SAT求解器输出摆放轨道部件，意识到儿子幼儿园让他加速学习算法，还给自己上了一课。作者错误在于假设只有一个问题，“这组确切部件能否组成闭合布局”和“哪些部件能组成最复杂网络”是不同问题。递归回溯算法局限性大，但简单、内存需求少、响应快；CSP求解器搜索更智能，需找到有用约束条件；SAT求解器改变问题本身，有永久记忆，但代价是内存、速度和适用范围。最后，还可订阅获取免费45页计算机科学学习路线图，已有1000多名读者加入。